mem0ai/mem0

了解更多 · 加入 Discord · 演示

📄 构建具备可扩展长期记忆的生产级 AI Agents →

⚡ 相比 OpenAI Memory 准确率提升 +26% • 🚀 速度快 91% • 💰 Token 消耗减少 90%

## 🔥 研究亮点 - **准确率提升 +26%**：在 LOCOMO 基准测试中优于 OpenAI Memory - **响应速度快 91%**：相比全上下文处理，确保大规模下的低延迟 - **Token 使用量降低 90%**：相比全上下文处理，在不妥协性能的情况下削减成本 - [阅读完整论文](https://mem0.ai/research) # 简介 [Mem0](https://mem0.ai) ("mem-zero") 通过智能记忆层增强 AI 助手和 Agent 的能力，从而实现个性化的 AI 交互。它能记住用户偏好，适应个人需求，并随时间持续学习——非常适合用于客户支持聊天机器人、AI 助手和自主系统。 ### 主要功能与用例 **核心能力：** - **多级记忆**：无缝保留用户、会话和 Agent 状态，并提供自适应个性化 - **开发者友好**：提供直观的 API、跨平台 SDK 以及完全托管的服务选项 **应用场景：** - **AI 助手**：实现一致、上下文丰富的对话 - **客户支持**：调用过往工单和用户历史记录，提供定制化帮助 - **医疗保健**：跟踪患者偏好和历史记录，提供个性化护理 - **生产力与游戏**：基于用户行为的自适应工作流和环境 ## 🚀 快速入门指南 选择我们的托管平台或自托管软件包： ### 托管平台 通过自动更新、分析功能和企业级安全保护，在几分钟内完成部署。 1. 在 [Mem0 Platform](https://app.mem0.ai) 注册 2. 通过 SDK 或 API 密钥集成记忆层 ### 自托管（开源） 通过 pip 安装 sdk： ``` pip install mem0ai ``` 通过 npm 安装 sdk： ``` npm install mem0ai ``` ### CLI 从终端管理记忆： ``` npm install -g @mem0/cli # or: pip install mem0-cli mem0 init mem0 add "Prefers dark mode and vim keybindings" --user-id alice mem0 search "What does Alice prefer?" --user-id alice ``` 请参阅 [CLI 文档](https://docs.mem0.ai/platform/cli) 获取完整的命令参考。 ### 基本用法 Mem0 需要一个 LLM 才能运行，默认使用 `gpt-4.1-nano-2025-04-14 from OpenAI`。不过，它支持多种 LLM；详情请参阅我们的 [支持的 LLM 文档](https://docs.mem0.ai/components/llms/overview)。 第一步是实例化记忆： ``` from openai import OpenAI from mem0 import Memory openai_client = OpenAI() memory = Memory() def chat_with_memories(message: str, user_id: str = "default_user") -> str: # Retrieve relevant memories relevant_memories = memory.search(query=message, user_id=user_id, limit=3) memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"]) # Generate Assistant response system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str}" messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}] response = openai_client.chat.completions.create(model="gpt-4.1-nano-2025-04-14", messages=messages) assistant_response = response.choices[0].message.content # Create new memories from the conversation messages.append({"role": "assistant", "content": assistant_response}) memory.add(messages, user_id=user_id) return assistant_response def main(): print("Chat with AI (type 'exit' to quit)") while True: user_input = input("You: ").strip() if user_input.lower() == 'exit': print("Goodbye!") break print(f"AI: {chat_with_memories(user_input)}") if __name__ == "__main__": main() ``` 有关详细的集成步骤，请参见 [快速入门](https://docs.mem0.ai/quickstart) 和 [API 参考](https://docs.mem0.ai/api-reference)。 ## 🔗 集成与演示 - **ChatGPT with Memory**：由 Mem0 驱动的个性化聊天（[在线演示](https://mem0.dev/demo)) - **浏览器扩展**：在 ChatGPT、Perplexity 和 Claude 之间存储记忆（[Chrome 扩展](https://chromewebstore.google.com/detail/onihkkbipkfeijkadecaafbgagkhglop?utm_source=item-share-cb)) - **Langgraph 支持**：使用 Langgraph + Mem0 构建客服机器人（[指南](https://docs.mem0.ai/integrations/langgraph)) - **CrewAI 集成**：利用 Mem0 定制 CrewAI 的输出（[示例](https://docs.mem0.ai/integrations/crewai)) ## 📚 文档与支持 - 完整文档：https://docs.mem0.ai - 社区：[Discord](https://mem0.dev/DiG) · [X (前 Twitter)](https://x.com/mem0ai) - 联系方式：founders@mem0.ai ## 引用 我们现在有一篇论文可供引用： ``` @article{mem0, title={Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory}, author={Chhikara, Prateek and Khant, Dev and Aryan, Saket and Singh, Taranjeet and Yadav, Deshraj}, journal={arXiv preprint arXiv:2504.19413}, year={2025} } ``` ## ⚖️ 许可证 Apache 2.0 — 详情请参阅 [LICENSE](https://github.com/mem0ai/mem0/blob/main/LICENSE) 文件。

标签：Agent 开发, DLL 劫持, DNS解析, Embedding, LLM, Memory Layer, MITM代理, NLP, Python, RAG, Ruby, Unmanaged PE, Y Combinator, 上下文管理, 个性化 AI, 人工智能, 向量数据库, 大语言模型, 对话记忆, 开源项目, 数据持久化, 无后门, 检索增强生成, 用户模式Hook绕过, 知识库, 记忆增强, 记忆层, 逆向工具, 长期记忆